ML Pratiği: Görüntü Sınıflandırma
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Bilginizi Sınayın: Evrişim
İki boyutlu 4x4 giriş özellik haritasına iki boyutlu 3x3 evrişimli filtre uygulanır (doldurma eklenmez):
Çıkış özelliği haritasının şekli nedir?
2x2
3x3 filtre, 4x4 özellik haritası üzerinde kayarken yerleştirilebileceği 4 benzersiz konum vardır. Bu da 2x2 çıkış özellik haritasıyla sonuçlanır:
3x3
Filtrenin kendisi 3x3 olsa da, çıkış özellik haritası daha küçüktür. Bunun nedeni, filtrenin 4x4 giriş özellik haritasına yerleştirilebileceği 9'dan (3 çarpı 3) daha az olası konum olmasıdır.
4x4
Giriş özellik haritasıyla aynı boyutlarda ve dolgusuz bir çıkış özellik haritası oluşturmak için evrişimli filtrenin şekli 1x1 olmalıdır. 1x1'den büyük bir filtre, giriş özellik haritasından daha küçük bir çıkış özellik haritası oluşturur. Filtremiz 3x3 olduğundan çıkış özellik haritası 4x4'ten küçük olmalıdır.
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-27 UTC.
[null,null,["Son güncelleme tarihi: 2025-07-27 UTC."],[[["\u003cp\u003eApplying a 3x3 convolutional filter to a 4x4 input feature map without padding results in a 2x2 output feature map.\u003c/p\u003e\n"],["\u003cp\u003eThe output feature map is smaller than the input because the filter's size limits the number of positions it can occupy on the input.\u003c/p\u003e\n"],["\u003cp\u003eA 1x1 filter would be required to maintain the input's dimensions in the output without padding.\u003c/p\u003e\n"]]],[],null,["# ML Practicum: Image Classification\n\n\u003cbr /\u003e\n\nCheck Your Understanding: Convolution\n-------------------------------------\n\nA two-dimensional, 3x3 convolutional filter is applied to a two-dimensional 4x4 input feature map\n(no padding added):\n\nWhat is the shape of the output feature map? \n2x2 \nAs the 3x3 filter slides over the 4x4 feature map, there are 4 unique locations in which it can be placed, which results in a 2x2 output feature map: \n3x3 \nWhile the filter itself is 3x3, the output feature map is smaller because there are fewer than 9 (3 times 3) possible locations where the filter can be placed on the 4x4 input feature map. \n4x4 \nTo generate an output feature map with the same dimensions as the input feature map with no padding, the convolutional filter would have to be 1x1 in shape. A filter larger than 1x1 will produce an output feature map that is smaller than the input feature map. Because our filter is 3x3, the output feature map must be smaller than 4x4."]]
